Inteligencja sztuczna, rewolucja prawdziwa. Chiny, USA i przyszłość świata ebook

Rajowi Reddy’emu, mojemu mentorowi w dziedzinie SI i w życiu

WSTĘP DO WYDANIA EUROPEJSKIEGO (2019)

Jako młody doktorant Uniwersytetu Carnegie Mellon, w późnych latach osiemdziesiątych byłem żywotnie zainteresowany obszarami uczenia maszynowego i rozpoznawania mowy. Nie mogłem wtedy nawet marzyć o tym, że w ciągu trzech dekad sztuczna inteligencja (SI) przekroczy absolutnie niszowy poziom badań naukowych i stanie się motorem napędowym najbardziej doniosłej rewolucji technologicznej, jaka kiedykolwiek wywarła wpływ na nasze społeczeństwo.

Gdybym miał wtedy przewidzieć, które regiony świata będą przewodzić na polu badań i innowacji w obszarze SI, spodziewałbym się, że Europa będzie szła łeb w łeb ze Stanami Zjednoczonymi. Bądź co bądź, odkrywcy uczenia głębokiego i laureaci Nagrody Turinga w 2018 roku – Geoffrey Hinton, Yann LeCun, Yoshua Bengio – urodzili się w Europie.

Wydarzyło się jednak coś ciekawego. Podczas gdy obszar ten nadal utrzymywał swoją pozycję w głównym nurcie badań nad SI, wielu spośród europejskich naukowców i inżynierów wyjechało do Stanów Zjednoczonych w pogoni za możliwościami zysku i rozwoju zawodowego – ewentualnie dołączyli oni do amerykańskich firm z przedstawicielstwami w Europie. Stany Zjednoczone, kolebka dla wszystkich zachodnich gigantów przewodzących w dziedzinie badań nad sztuczną inteligencją, z godnym pozazdroszczenia, wyższym poziomem inwestycji w tym obszarze, stały się miejscem, które przyciągało młode, spragnione nowych szans talenty zainteresowane tym, aby wykorzystać ich wiedzę do ogromu rozwiązań wpływających na zmianę warunków naszego życia i pracy.

Tymczasem Chiny wyrosły na jednego z liderów SI, zarówno jeśli chodzi o realizację idei, jak i jej aspekt finansowy. W mojej książce wyjaśniam czynniki, które wpłynęły na ten wzrost w kierunku technologicznej dominacji. Wielkość populacji sama w sobie i skala wykorzystania technologii mobilnych jako elementu życia codziennego przyniosły Chinom przewagę w zakresie jakości danych podstawowych dla rozwoju SI. Ponadto trzeba także wspomnieć o tamtejszej kulturze przedsiębiorczości, nieustająco oddanej zasadzie „zwycięzca zgarnia wszystko”, mechanizmach długoterminowego finansowania w modelu venture capital oraz rządowych zachętach do rozwoju sztucznej inteligencji.

Wszystkie powyższe czynniki znajdują się na fali wznoszącej także w Europie, jednak dosięgnięcie gigantów SI – Chin i Stanów Zjednoczonych – będzie nie lada wyzwaniem, zważywszy na uciekający czas.

Europa musi stworzyć warunki do rozwoju zawodowego dla utalentowanych inżynierów SI wywodzących się ze znakomitych ośrodków akademickich na całym kontynencie. Wielkość jej ekosystemu w obszarze venture capital musi w ramach rozwoju zwiększyć się dwukrotnie, aby wesprzeć europejskich przedsiębiorców w dziedzinie SI i powstrzymać ich przed wyborem innej drogi. Unia Europejska z kolei stoi przed szansą utrwalenia podejścia wspólnorynkowego, jeśli chodzi o komercjalizację sztucznej inteligencji.

Powszechnie znany jest fakt, że Europejczycy bardzo szanują swoją prywatność, ale ważne jest zarazem, aby instytucje i politycy odpowiedzialni za ustanawianie regulacji prawnych osiągnęli kompromis pomiędzy kontrolowaniem SI a stymulowaniem innowacji. Prywatność nie ma charakteru binarnego, ale jest wyborem, który wiąże się z wymianą. I choć stosowanie przepisów, które zapobiegają nadużyciom, jest bardzo ważne, takie podejście powinno iść w parze ze skuteczniejszymi metodami kontroli sprawowanej nad technologią.

Sztuczna inteligencja stanie się wkrótce tym, czym jest elektryczność – będzie wszechobecna i konieczna do życia. Za tym idzie ogromna odpowiedzialność za zapewnienie, że może ona spełnić swój potencjał czynienia dobra w świecie, przyczyniając się np. do tworzenia miejsc pracy, postępu w medycynie, przemian procesów przemysłowych, dostępu do lepszej edukacji czy niezliczonych udogodnień – zarówno dużych, jak i małych, które ułatwiają nasze codzienne życie.

Jesteśmy już świadkami okresu przejściowego i chociaż może minąć jeszcze piętnaście, a może więcej lat, zanim SI osiągnie wpływ na różne obszary przemysłu, musimy działać szybko, aby wdrożyć infrastrukturę, która pozwoli uniknąć powszechnej destabilizacji i zmniejszyć ludzkie bolączki, które nieuchronnie wystąpią w wyniku zmian na rynku pracy.

Jestem niezwykle optymistycznie nastawiony do możliwości SI w zakresie tego, aby zmieniać nasze życie na lepsze. Jednocześnie mam świadomość, że mogą się z nią wiązać nadużycia. Bez względu na światowy wyścig o technologiczną dominację potrzebujemy wspólnego wysiłku narodów, aby upewnić się, że SI może wykorzystać swoje możliwości. Zachęcam przedsiębiorstwa w Europie i wszędzie, aby rozważyły użycie potencjału sztucznej inteligencji do podniesienia ich wyniku finansowego, z uwzględnieniem świadomości roli, jaką szkolenia organizowane w miejscach pracy odgrywają w ocenie zdolności adaptacji ich siły roboczej do nadchodzących zmian. Ponadto ufam, że edukacja, rozwój umiejętności, bezpieczeństwo i tworzenie miejsc pracy są priorytetami wszystkich rządów, jako że przechodzimy największy technologiczny przełom wszech czasów.

Przyświeca mi na co dzień bezwględna wiara w zdolność SI do uczynienia naszej ludzkości lepszą. Mam nadzieję, że ta książka nadal będzie inspirować do rozmów i wspomagać pozytywne ruchy wokół sztucznej inteligencji.

tłum. Łukasz Jeżyk

WSTĘP

Jednym z obowiązków związanych z moją pracą w charakterze inwestora venture capital (VC) jest wygłaszanie pogadanek na temat sztucznej inteligencji (SI) dla biznesmenów i elit politycznych z różnych krajów. Jedną z przyjemności – rozmawianie na ten sam temat z dziećmi w przedszkolu. Co zaskakujące, przedstawiciele tych tak różnych grup często zadają mi takie same pytania. Podczas niedawnej wizyty w pekińskim przedszkolu zostałem przemaglowany przez grupkę pięciolatków na temat przyszłości ludzi i sztucznej inteligencji.

– Czy będziemy mieli nauczycieli robotów?

– A co będzie, jak jeden samochód bez kierowcy wpadnie na drugi i zrobi nam krzywdę?

– Czy ludzie będą się żenić z robotami i mieć z nimi dzieci?

– Czy komputery staną się takie mądre, że będą nami rządzić?

– Jeśli roboty będą wszystko robić, to co będziemy robić my?

Te pytania przedszkolaków były echem wątpliwości wyrażanych przez możnych tego świata, a rozmowa ujawniła kilka ciekawych kwestii. Po pierwsze, ukazała, że SI stała się nagle nurtującym nas tematem. Zaledwie kilka lat temu sztuczna inteligencja była dziedziną obecną głównie w laboratoriach naukowców i w filmach science fiction. Przeciętny człowiek mógł mieć niejasne wyobrażenie, że SI to próba konstruowania robotów, które potrafią myśleć tak jak ludzie, ale między taką perspektywą a naszym codziennym życiem nie było prawie żadnego związku.

Dziś jest zupełnie inaczej. Artykuły na temat najnowszych osiągnięć SI zapełniają strony gazet. Niemal codziennie odbywają się konferencje biznesowe na temat wykorzystania SI do zwiększenia zysków. Rządy państw na całym świecie tworzą plany wykorzystania tej technologii. SI znalazła się nagle w centrum publicznego zainteresowania. Całkiem słusznie.

Przełom w badaniach nad SI umożliwił wreszcie praktyczne jej zastosowania, które z pewnością zmienią nasze życie. SI już steruje wieloma z naszych ulubionych aplikacji i witryn internetowych, a w najbliższych latach będzie kierować naszymi samochodami, zarządzać naszymi portfelami, produkować większość kupowanych przez nas towarów i być może zabierać nam pracę. Takie zastosowania SI to zarówno nadzieja, jak i zagrożenie, a my powinniśmy się przygotować na obie te możliwości.

Mój dialog z przedszkolakami był także interesujący ze względu na to, gdzie się odbył. Nie tak dawno temu Chiny były o całe lata, jeśli nie dekady, opóźnione w dziedzinie sztucznej inteligencji w porównaniu ze Stanami Zjednoczonymi. W ciągu ostatnich trzech lat Chiny złapały jednak bakcyla SI. Panująca tam fascynacja sztuczną inteligencją jest jeszcze większa niż w pozostałych regionach świata. Entuzjazm rozszerzył się już poza środowiska naukowców i biznesmenów, ogarnął polityków decydujących o rozwoju kraju i dotarł nawet do sal przedszkolnych w Pekinie.

To szerokie zainteresowanie odzwierciedla rosnącą pozycję Chin w tej dziedzinie, a jednocześnie wspiera jej rozwój. Chińscy uczeni i chińskie przedsiębiorstwa nadrobiły już bardzo duży dystans do swoich amerykańskich odpowiedników, eksperymentując z nowatorskimi algorytmami i modelami biznesowymi, które zapewne zrewolucjonizują chińską gospodarkę. Te przedsiębiorstwa i ci uczeni uczynili z Chin prawdziwe supermocarstwo w dziedzinie SI, jedynego prawdziwego rywala Stanów Zjednoczonych w tej dynamicznie rozwijającej się technologii. Sposoby rywalizacji i współpracy na polu SI, jakie wybiorą te dwa państwa, będą miały przemożny wpływ na światową gospodarkę i układ sił.

I wreszcie, podczas moich rozmów z tymi najmłodszymi adeptami nauki zrozumiałem głębszą prawdę: jeśli chodzi o zrozumienie naszej przyszłości w świecie sztucznej inteligencji, wszyscy przypominamy te dzieci. Wszystkich nas dręczą liczne pytania bez odpowiedzi, wszyscy staramy się zajrzeć w przyszłość z mieszaniną dziecinnego zadziwienia i dorosłego niepokoju. Chcemy wiedzieć, co automatyzacja będzie oznaczać dla naszych miejsc pracy i naszej racji bytu. Chcemy wiedzieć, jacy ludzie i które kraje odniosą korzyść z tej wspaniałej technologii. Zastanawiamy się, czy SI przyniesie nam materialny dobrobyt i czy w świecie sterowanym przez inteligentne maszyny będzie miejsce dla człowieczeństwa.

Nikt nie ma kryształowej kuli, która odpowie na te wszystkie pytania. Nasza niepewność sprawia jednak, że tym ważniejsze jest zadawanie takich pytań i w miarę możliwości szukanie odpowiedzi. Ta książka to moja próba realizacji tego zadania. Nie jestem wyrocznią, która potrafi bezbłędnie przewidzieć naszą przyszłość i rozwój sztucznej inteligencji, ale rozważając te kwestie, mogę wykorzystać moje doświadczenie badacza, menedżera, a obecnie inwestora VC działającego zarówno w Chinach, jak i w Stanach Zjednoczonych. Mam nadzieję, że książka ta wyjaśni w pewnym stopniu, jak dotarliśmy tu, gdzie jesteśmy, a także zachęci do dyskusji o tym, dokąd zmierzamy.

Przewidywanie zakończenia opowieści o naszej przygodzie z SI jest tak trudne również dlatego, że nie jest to tylko opowieść o maszynach. Jest to również opowieść o ludziach, ludziach obdarzonych wolną wolą, która pozwala im podejmować samodzielne decyzje i kształtować własną przyszłość. Nasza przyszłość w świecie sztucznej inteligencji zostanie stworzona przez nas i będzie odbiciem naszych wyborów i naszych działań. Mam nadzieję, że w trakcie tego procesu poszukamy w sobie i w innych mądrości i wartości, które wskażą nam drogę.

Z tą nadzieją zacznijmy nasze rozważania.

1

*

EFEKT SPUTNIKA

Chiński nastolatek w okularach o kwadratowych oprawkach nie wyglądał na ostatnią nadzieję ludzkości. Ubrany w czarny garnitur, białą koszulę i czarny krawat Ke Jie siedział przygarbiony w fotelu, pocierając skronie i zastanawiając się nad stojącym przed nim problemem. Zwykle demonstrujący pewność siebie, graniczącą z zarozumiałością, dziewiętnastolatek wiercił się w skórzanym fotelu. Gdyby zmienić miejsce akcji, mógłby być typowym uczniem szkoły średniej biedzącym się ze zbyt trudnym zadaniem z geometrii.

W to majowe popołudnie 2017 roku młody człowiek zaangażowany był jednak w walkę na śmierć i życie, walkę z jedną z najinteligentniejszych maszyn na świecie – AlphaGo – potęgą sztucznej inteligencji, za którą stała wiodąca w tej dziedzinie firma na świecie – Google. Polem walki była kwadratowa plansza pokratkowana dziewiętnastoma poziomymi i pionowymi liniami, upstrzona małymi czarnymi i białymi kamykami – plansza do pozornie prostej gry go. Podczas partii dwaj gracze na przemian kładą na planszy kamienie, starając się okrążyć kamienie przeciwnika. Żaden człowiek na świecie nie potrafił robić tego lepiej niż Ke Jie, ale dziś Ke grał przeciwko takiemu zawodnikowi, z jakim jeszcze nikt się nie zmierzył.

Wymyślona podobno ponad 2 500 lat temu go jest najstarszą z istniejących dziś gier planszowych. W starożytnych Chinach go była jedną z czterech form sztuki, które każdy chiński uczony powinien był opanować. Wierzono, że napełni graczy mądrością i wyrafinowaniem intelektualnym bliskim stanom medytacyjnym zen. Podczas gdy zachodnie gry, takie jak szachy, opierają się na prymitywnej taktyce, go polega na cierpliwym układaniu kamieni i powolnym otaczaniu, które uczyniły z niej rodzaj sztuki, pewien stan umysłu.

Go jest grą równie starą, co skomplikowaną. Podstawowe zasady można wyłożyć w dziewięciu zdaniach, ale liczba możliwych układów na planszy przewyższa liczbę atomów w znanym nam wszechświecie[1]. Złożoność drzewa decyzyjnego sprawiła, że pokonanie mistrza świata w tej grze było dla społeczności badaczy SI czymś w rodzaju zdobycia Mount Everestu – problemem, którego rozmiary wydawały się uniemożliwiać jakiekolwiek rozwiązanie. Ludzie poetycznie usposobieni twierdzili, że nie da się tego zrobić, bo maszyny nie mają tej ludzkiej cechy, niemal mistycznego wyczucia gry. Inżynierowie uważali po prostu, że plansza gry daje zbyt wiele możliwości, żeby komputer mógł je ocenić.

A jednak, tego dnia AlphaGo nie tylko wygrywała z Ke Jie – ona go po prostu miażdżyła. Podczas trzech maratonowych partii, z których każda trwała ponad trzy godziny, Ke rzucił na szalę wszystkie swoje umiejętności. Próbował walczyć z komputerem za pomocą różnych strategii: zachowawczej, agresywnej, defensywnej i nieprzewidywalnej. Nic nie działało. AlphaGo nie dawała Ke żadnych szans. Powoli zaciskała pętlę.

WIDZIANE Z PEKINU

Reakcja na ten mecz zależała od miejsca, z którego się go oglądało. Dla niektórych obserwatorów w Stanach Zjednoczonych zwycięstwa AlphaGo oznaczały nie tylko tryumf maszyny nad człowiekiem, lecz również tryumf zachodnich firm nad resztą świata. W ciągu dwóch poprzednich dekad przedsiębiorstwa z Doliny Krzemowej podbiły światowe rynki technologiczne. Firmy takie jak Facebook czy Google stały się najpopularniejszymi platformami internetowymi w dziedzinie mediów społecznościowych i wyszukiwarek, niszcząc jednocześnie start-upy w innych krajach – od Francji do Indonezji. Te internetowe molochy dały Stanom Zjednoczonym dominację w świece cyfrowym odpowiadającą ich dominacji militarnej i gospodarczej w świecie realnym. Sukces AlphaGo – produktu brytyjskiej firmy DeepMind zakupionej przez Google w 2014 roku – wskazywał, że Zachód nie zamierza rezygnować z dominacji w wieku sztucznej inteligencji.

Wyglądając z okna mojego biura podczas meczu Ke Jie z AlphaGo, widziałem coś zupełnie innego. Siedziba mojego funduszu inwestycyjnego mieści się w pekińskiej dzielnicy Zhongguancun (wym. dżong-guan-sun), rejonie nazywanym „chińską Doliną Krzemową”. Zhongguancun jest dziś sercem chińskiego świata SI. Dla ludzi tam pracujących zwycięstwa AlphaGo były zarówno wyzwaniem, jak i inspiracją. Stały się dla Chin w dziedzinie sztucznej inteligencji tym, czym było wystrzelenie pierwszego sputnika dla Ameryki.

Kiedy Związek Radziecki wystrzelił na orbitę pierwszego sztucznego satelitę w październiku 1957 roku, wywarło to natychmiastowy głęboki wpływ na amerykańską psychikę i politykę amerykańskich władz. Wydarzenie to wzbudziło w Stanach powszechny niepokój i przekonanie o wyższości radzieckiej techniki. Amerykanie obserwowali satelitę na nocnym niebie i słuchali transmisji radiowych ze sputnika. Spowodowało to utworzenie NASA (Narodowej Agencji Aeronautyki i Przestrzeni Kosmicznej), skłoniło rząd do hojnego subsydiowania edukacji w dziedzinie matematyki i innych nauk ścisłych i zapoczątkowało wyścig w kosmosie. Ta ogólnonarodowa mobilizacja przyniosła efekty dwanaście lat później, kiedy Neil Armstrong jako pierwszy człowiek stanął na Księżycu. AlphaGo odniosła pierwsze znaczące zwycięstwo w marcu 2016 roku, wygrywając cztery do jednego w piątej partii meczu z legendarnym koreańskim graczem Lee Sedolem. Wydarzenie niemal niezauważone przez większość Amerykanów przyciągnęło do telewizorów ponad 280 milionów chińskich widzów[2]. W jednej chwili Chiny opanowała gorączka sztucznej inteligencji. Wrażenie nie było może tak dramatyczne jak w przypadku amerykańskiej reakcji na sputnik, ale w chińskiej społeczności SI wywołało zapał i determinację, które nie wygasły do dziś.

Kiedy chińscy inwestorzy, przedsiębiorcy i chińskie władze koncentrują swe wysiłki na jednej gałęzi przemysłu, mogą naprawdę wstrząsnąć światem. Chiny rozwijają inwestycje, badania naukowe i przemysł SI na historyczną skalę. Pieniądze na start-upy SI płyną od inwestorów VC, potentatów technologii i od chińskiego rządu. Chińscy studenci również złapali bakcyla SI, zapisując się na studia magisterskie i doktoranckie, ściągając wykłady zagranicznych uczonych na swoje smartfony. Założyciele firm dostosowują je, przekształcają czy przebranżawiają, żeby znaleźć się w głównym nurcie rozwoju SI.

Niecałe dwa miesiące po tym, jak Ke Jie przegrał ostatnią partię z AlphaGo, chiński rząd przedstawił ambitny program[3] rozbudowy chińskiego potencjału w dziedzinie sztucznej inteligencji. Wezwano do zwiększenia finansowania, wsparcia politycznego i ogólnonarodowej koordynacji rozwoju SI. Wyznaczono jasne cele, które mają być osiągnięte do roku 2020 i 2025, i planowano, że do roku 2030 Chiny staną się centrum światowej innowacji w dziedzinie sztucznej inteligencji, że będą przodować w rozwijaniu teorii, w technologii i zastosowaniach SI. Do roku 2017 chińscy inwestorzy VC zdążyli już odpowiedzieć na to wezwanie, inwestując w start-upy SI rekordowe sumy pieniędzy, stanowiące 48 procent[4] światowych inwestycji w tej dziedzinie i prześcigając po raz pierwszy Stany Zjednoczone.

TO JUŻ NIE TYLKO GRA

Jedną z przyczyn wzrostu rządowego poparcia jest zmiana paradygmatu w relacjach między sztuczną inteligencją a gospodarką. Przez dziesięciolecia badania nad sztuczną inteligencją odnotowywały powolny, ale stały postęp, natomiast ostatnio postęp ten gwałtownie przyspieszył, umożliwiając praktyczne zastosowanie osiągnięć badawczych.

Techniczne trudności związane z pokonaniem człowieka w grze go były mi znane już wcześniej. Jako młody doktorant zajmujący się sztuczną inteligencją na Carnegie Mellon University, studiowałem pod kierunkiem Raja Reddy’ego, czołowego uczonego w dziedzinie SI. W 1986 roku stworzyłem pierwszy program komputerowy[5], który pokonał reprezentanta mistrzowskiej drużyny w grze Othello, uproszczonej wersji go rozgrywanej na planszy o wymiarach osiem na osiem pól. Było to wówczas spore osiągnięcie, ale owa technologia nie radziła sobie z niczym poza prostymi grami planszowymi.

To samo można powiedzieć o IBM-owskim Deep Blue, który w 1997 roku pokonał szachowego mistrza świata Garriego Kasparowa w meczu nazywanym „ostatnią walką ludzkiego mózgu”. Wydarzenie to wywołało obawy, że pewnego dnia roboty opanują ludzkość i zaczną nią rządzić, ale poza zwyżką wartości akcji IBM nie miało żadnego przełożenia na praktykę. Sztuczna inteligencja nadal miała niewiele praktycznych zastosowań i mimo dziesięcioleci badań uczeni nie dokonali prawdziwego przełomu.

Można by powiedzieć, że Deep Blue wygrał, stosując „brutalną siłę” – był to hardware dostosowany do błyskawicznego generowania i oceniania sytuacji wynikających z każdego ruchu. Wymagał również wcześniejszej współpracy mistrzów szachowych, dzięki którym można było oprogramowanie wyposażyć w odpowiednią heurystykę. No tak, zwycięstwo to było imponującym tryumfem inżynierii, ale opierało się na znanej od dawna technologii, która działała tylko w bardzo ograniczonym zakresie. Gdybyśmy oderwali Deep Blue od geometrycznej prostoty sześćdziesięcioczteropolowej szachownicy, wcale nie wydałby się nam specjalnie inteligentny. Jedyna „posada”, jaką mógł zabrać ludziom, to „posada” mistrza świata w szachach.

Tym razem sytuacja jest inna. Mecz Ke Jie z AlphaGo rozgrywany był na ograniczonej przestrzeni planszy go, ale jednocześnie wiązał się ściśle z dramatycznymi zmianami zachodzącymi w realnym świecie. Te zmiany obejmowały chińskie szaleństwo na punkcie SI wywołane meczami AlphaGo oraz technologię, która umożliwiła maszynie zwycięstwo.

AlphaGo działa na zasadzie uczenia głębokiego, przełomowego podejścia do sztucznej inteligencji, które ogromnie zwiększyło kognitywny potencjał maszyn. Oprogramowanie oparte na uczeniu głębokim już teraz radzi sobie lepiej niż ludzie z rozpoznawaniem twarzy, rozpoznawaniem mowy czy udzielaniem kredytów. Przez całe dziesięciolecia wydawało się, że rewolucja w dziedzinie sztucznej inteligencji wydarzy się za pięć lat. Ale wraz z rozwojem uczenia głębokiego w ciągu ostatnich kilku lat ta rewolucja wreszcie stała się faktem. Zapowiada ona erę ogromnego wzrostu wydajności, ale także powszechnych zaburzeń na rynku pracy – a tym samym głębokich skutków społecznych i psychologicznych – gdy sztuczna inteligencja zacznie przejmować ludzkie stanowiska pracy we wszelkich gałęziach gospodarki. Podczas meczu Ke Jie nie przerażała mnie wizja morderczych robotów wyposażonych w sztuczną inteligencję, przed którymi ostrzegają niektórzy wybitni naukowcy. Myślałem o demonach świata realnego, które mogą zostać obudzone przez masowe bezrobocie i wynikające z niego niepokoje społeczne. Zagrożenie dla zajmowanych przez ludzi miejsc pracy nadchodzi znacznie szybciej, niż przewidywała większość ekspertów, i będzie dotyczyć nie tylko pracy fizycznej – dotknie również ludzi wykształconych. W dniu tego niezwykłego meczu między Ke Jie a AlphaGo uczenie głębokie zdetronizowało człowieka – najlepszego gracza w go. Ta sama technologia pojawi się wkrótce w naszych fabrykach i biurach.

DUCH W MASZYNIE

W tym samym meczu dostrzegłem jednak również powód do nadziei. Po dwóch godzinach i pięćdziesięciu jeden minutach gry Ke Jie znalazł się pod ścianą. Włożył w tę grę wszystko, co potrafił, ale wiedział, że to nie wystarczy. Pochylony nisko nad planszą zacisnął usta, a jego brew zaczęła drgać nerwowo. Zdał sobie sprawę, że nie zdoła dłużej ukrywać emocji, zdjął okulary i wierzchem dłoni otarł łzy z oczu. Trwało to wszystko ułamek sekundy, ale emocje były widoczne dla wszystkich.

Te łzy wywołały falę współczucia i poparcia dla Ke. W ciągu tych trzech partii Ke przeżył huśtawkę ludzkich uczuć: pewności siebie, niepokoju, lęku, nadziei i rozpaczy. Widać było ducha walki, ale zobaczyłem też w tej grze przykład prawdziwej miłości, chęć zmierzenia się z niepokonanym przeciwnikiem z czystej miłości do gry, jej historii i ludzi, którzy w nią grają. Ci ludzie, widząc frustrację Ke, odpowiedzieli uczuciem. AlphaGo wygrał mecz, ale Ke stał się bohaterem dla ludzi. I właśnie ta ludzka umiejętność obdarzania miłością i przyjmowania miłości pozwoliła mi zrozumieć, jak ludzie będą znajdować pracę i sens życia w erze sztucznej inteligencji.

Uważam, że zręczne zastosowanie SI będzie największą szansą Chin na dogonienie – a być może prześcignięcie – Stanów Zjednoczonych. Co jednak jeszcze ważniejsze, te zmiany umożliwią nam ponowne odkrycie istoty człowieczeństwa.

Dlaczego? Żeby to zrozumieć, musimy najpierw poznać podstawy tej technologii i pojąć, jak przekształci ona nasz świat.

KRÓTKA HISTORIA UCZENIA GŁĘBOKIEGO

Uczenie maszynowe – ogólna nazwa dziedziny obejmującej uczenie głębokie – to technologia, która zmieni historię, ale jednocześnie technologia, która miała szczęście, że udało jej się przetrwać burzliwe pół wieku badań. Od samych swoich początków sztuczna inteligencja podlegała cyklom rozkwitów i niepowodzeń. Po okresach wielkich nadziei następowały „zimy SI”, kiedy rozczarowujący brak praktycznych wyników powodował cięcia w finansowaniu. Zrozumienie, na czym polega przełomowa rola uczenia głębokiego, wymaga krótkiej rekapitulacji drogi, którą przebyliśmy.

W połowie lat pięćdziesiątych pionierzy sztucznej inteligencji postawili przed sobą niezwykle ambitne, ale dobrze zdefiniowane zadanie: odtworzyć w maszynie ludzką inteligencję. Ta uderzająca kombinacja jasności celu i złożoności zadania przyciągnęła największe umysły w niedawno powstałej dziedzinie informatyki, ludzi takich jak Marvin Minsky, John McCarthy czy Herbert Simon.

Wszystko to rozpaliło moją wyobraźnię, wyobraźnię nieco naiwnego studenta Uniwersytetu Columbia na początku lat osiemdziesiątych. Urodziłem się na Tajwanie na początku lat sześćdziesiątych, ale w wieku jedenastu lat przeniosłem się do Tennessee i tam skończyłem szkoły. Po czterech latach na Uniwersytecie Columbia w Nowym Jorku wiedziałem, że chcę zgłębiać dalej dziedzinę SI. Jako kandydat na studia doktoranckie w 1983 roku przedstawiłem nawet ten nieco napuszony opis dyscypliny w moim eseju wstępnym: „Sztuczna inteligencja to wyjaśnienie procesu uczenia się u ludzi, kwantyfikacja ludzkich procesów myślowych, wytłumaczenie ludzkiego zachowania i zrozumienie, co umożliwia inteligencję. To ostatni krok człowieka na drodze do zrozumienia samego siebie, a ja mam nadzieję uczestniczyć w tych nowych, ale tak obiecujących badaniach naukowych”.

Ten esej pomógł mi dostać się na jeden z najbardziej renomowanych wydziałów informatyki na Carnegie Mellon University, centrum badań nad sztuczną inteligencją. Zdradzał też moje naiwne poglądy na temat tej dyscypliny – przeceniałem nasze zdolności do zrozumienia samych siebie, a jednocześnie nie doceniałem potencjału SI do tworzenia nadludzkiej inteligencji w wąskich sferach zastosowań.

Zanim zacząłem studia doktoranckie, dziedzina sztucznej inteligencji podzieliła się na dwa obozy: podejście oparte na regułach i podejście oparte na sieciach neuronowych. Badacze reprezentujący to pierwsze podejście (zwane także czasem „podejściem symbolicznym” lub „systemami eksperckimi”) próbowali uczyć komputery myśleć, kodując serie reguł logicznych – jeśli X, to Y. To podejście sprawdzało się w przypadku prostych, dobrze zdefiniowanych gier (tzw. toy problems), ale zawodziło, kiedy asortyment możliwych wyborów czy ruchów powiększał się. Starając się uczynić programy bardziej przydatnymi do rozwiązywania realnych problemów, naukowcy z tego obozu przeprowadzali wywiady z ekspertami od danego problemu, a następnie kodowali ich wiedzę w systemie decyzyjnym programu (stąd nazwa „systemy eksperckie”).

Obóz zwolenników sieci neuronowych przyjął inne podejście. Zamiast próbować nauczyć komputer reguł, które zostały opanowane przez ludzki mózg, ci badacze starali się zrekonstruować ludzki mózg. Zakładając, że splątana sieć neuronów w mózgach zwierząt jest jedynym możliwym siedliskiem znanej nam inteligencji, badacze postanowili zmierzać wprost do źródła. W ramach tego podejścia naśladuje się wewnętrzną architekturę mózgu, konstruując warstwy sztucznych neuronów, które mogą otrzymywać i przekazywać informacje, działając w strukturze podobnej do naszej sieci biologicznych neuronów. W przeciwieństwie do zwolenników podejścia opartego na regułach, konstruktorzy sieci neuronowych zwykle nie podają sieciom reguł, do których należy się stosować, podejmując decyzje. Wprowadzają natomiast mnóstwo przykładów danego zjawiska – obrazów, partii szachowych, dźwięków – do sieci neuronowych i pozwalają sieciom rozpoznawać prawidłowości w tych danych. Innymi słowy, im mniej ludzkiej interwencji, tym lepiej.

Różnice między tymi podejściami można zilustrować przykładem tego, jak w jednym i drugim przypadku zostanie rozwiązany prosty problem ustalenia, czy na obrazku jest kot. W podejściu pierwszym zostaną sformułowane zasady typu „jeśli – to”, które mają pomóc programowi podjąć decyzję: „jeśli na obrazku są dwa kształty trójkątne na górze kształtu okrągłego, to prawdopodobnie jest tam kot”. W podejściu opartym na sieciach neuronowych wprowadzono by do programu miliony przykładowych zdjęć podpisanych „kot” lub „nie-kot”, pozwalając programowi na samodzielne wywnioskowanie, które z cech na milionach obrazów są najściślej skorelowane z nazwą „kot”.

W latach pięćdziesiątych i sześćdziesiątych wczesne wersje sztucznych sieci neuronowych dawały obiecujące rezultaty i wywoływały mnóstwo szumu. Później jednak, w roku 1969 badacze z drugiego obozu przeszli do kontrataku, przekonując wielu fachowców, że sieci neuronowe są zawodne i że mają ograniczone zastosowanie. Podejście oparte na sieciach neuronowych szybko stało się niemodne, a SI w latach siedemdziesiątych pogrążyła się w pierwszej z „zim”. W następnych dekadach sieci neuronowe miewały krótkie okresy sławy, po których następowała rezygnacja. W 1988 roku zastosowałem technikę podobną do sieci neuronowych (ukryte modele Markowa), tworząc program Sphinx[6], pierwszy na świecie system rozpoznający ciągłą mowę bez względu na osobę mówcy. To osiągnięcie zapewniło mi notkę w „New York Timesie”[7], ale nie wystarczyło, by ocalić sieci neuronowe przed kolejnym okresem niełaski. Lata dziewięćdziesiąte to dla SI długa epoka lodowcowa. Tym, co ostatecznie przywróciło sieci neuronowe do życia i rozpoczęło renesans SI, który trwa do dziś, były zmiany dotyczące dwóch podstawowych „surowców” potrzebnych sieciom oraz jeden przełom techniczny. Sieci neuronowe wymagają dużych ilości dwóch czynników: mocy obliczeniowej i danych. Dane „ćwiczą” program, żeby rozpoznawał wzorce na podstawie licznych przykładów, a moc obliczeniowa pozwala programowi przetwarzać te dane z dużą szybkością.

Zarówno dane, jak i moc obliczeniowa były towarem deficytowym w początkach tej dziedziny badań, w latach pięćdziesiątych. W kolejnych dekadach to się jednak zmieniło. Dziś zwykły smartfon ma miliony razy większą moc przetwarzania niż najnowocześniejsze komputery, których używano w NASA w 1969 roku, żeby wysłać Neila Armstronga na Księżyc. A Internet doprowadził do eksplozji wszelkiego rodzaju danych cyfrowych: tekstów, obrazów, filmików wideo, kliknięć, zakupów, tweetów itd. Wszystko to dało badaczom ogromne ilości bogatych danych, za pomocą których można „trenować” sieci, a także ogromną moc obliczeniową do przeprowadzania treningu.

Sieci były jednak nadal niezwykle ograniczone co do swoich możliwości. Uzyskanie dokładnych wyników przy rozwiązywaniu złożonych problemów wymagało wielu warstw sztucznych neuronów, ale badacze nie rozwiązali jeszcze problemu, jak skutecznie trenować powiększającą się liczbę warstw neuronowych. Przełom techniczny w uczeniu głębokim nastąpił wreszcie w połowie pierwszej dekady XXI wieku, kiedy jeden z czołowych badaczy Geoffrey Hinton odkrył sposób skutecznego uczenia nowych warstw w sieciach neuronowych. Rezultat przypominał podanie starym sieciom steroidów, zwielokrotniając ich moc rozwiązywania takich problemów, jak rozpoznawanie obiektów czy rozpoznawanie mowy.

Wkrótce te podrasowane sieci neuronowe – przemianowane teraz na „uczenie głębokie” – prześcignęły starsze modele w wielu dziedzinach. Lata zakorzenionych uprzedzeń wobec sieci neuronowych sprawiły jednak, że wielu badaczy SI nie zauważyło tej działającej na uboczu grupki, która twierdziła, że uzyskała znakomite wyniki. Punktem zwrotnym był rok 2012, kiedy sieć neuronowa zbudowana przez zespół Hintona rozgromiła rywali[8] w międzynarodowych zawodach widzenia komputerowego.

Będące przez kilkadziesiąt lat na marginesie badań SI sieci neuronowe opanowały w jednej chwili główny nurt tych badań, tym razem w formie uczenia głębokiego. Ten przełom dawał nadzieję, że szybko stopnieją lody ostatniej „zimy SI” i że po raz pierwszy sztuczna inteligencja rzeczywiście będzie mieć wpływ na szereg autentycznych problemów tego świata. Badacze, futurolodzy i przemysłowcy zaczęli zachwycać się imponującymi możliwościami tej technologii w dziedzinie rozpoznawania ludzkiej mowy, tłumaczenia dokumentów, rozpoznawania obrazów, przewidywania zachowań konsumentów, wykrywania oszustw, decydowania o udzielaniu pożyczek, umożliwienia robotom „widzenia”, a nawet prowadzenia samochodu.

JAK DZIAŁA UCZENIE GŁĘBOKIE?

A więc jak działa uczenie głębokie? Zasadniczo algorytmy te używają ogromnych ilości danych z konkretnej dziedziny, żeby podjąć decyzję optymalizującą pożądany wynik. Sieć osiąga to, ćwicząc się w rozpoznawaniu głęboko ukrytych wzorców i korelacji łączących wiele punktów danych. Ten proces odnajdywania wzorca jest łatwiejszy, gdy dane są oznaczone tym pożądanym wynikiem – „kot” w opozycji do „nie-kot”, „kliknięcie” do „braku kliknięcia”, „wygrana” do „przegranej”. Sieć korzysta wtedy ze swojej rozległej wiedzy na temat tych korelacji – z których wiele jest niewidocznych lub nieistotnych dla ludzkich obserwatorów – żeby podejmować lepsze decyzje niż ludzie postawieni przed takim zadaniem.

Realizacja takiego procesu wymaga ogromnej liczby relewantnych danych, silnego algorytmu, wąskiej dziedziny i konkretnego celu. Jeżeli brakuje jednego z tych uwarunkowań, system przestaje działać. Za mało danych? Algorytm ma zbyt mało przykładów, żeby odkryć znaczące korelacje. Zbyt szeroki cel? Algorytm nie ma jasnych wskazówek dotyczących optymalizacji.

Uczenie głębokie bywa nazywane „wąską SI” – inteligencją, która pobiera dane z jednej konkretnej dziedziny i stosuje je do optymalizacji jednego konkretnego celu. Choć robi wrażenie, nadal jest bardzo odległa od „ogólnej SI”, wielofunkcyjnej technologii, która radziłaby sobie ze wszystkim, co potrafią ludzie.

Uczenie głębokie znajduje najbardziej naturalne zastosowanie w takich dziedzinach jak ubezpieczenia i udzielanie kredytów. Istotne dane o pożyczkobiorcach są przebogate (historia kredytowa, dochody, korzystanie z karty kredytowej w ostatnim okresie), a cel, jaki należy zoptymalizować, jest jasny (minimalizacja niespłaconych kredytów). Kolejnym krokiem będą samochody bez kierowcy sterowane głębokim uczeniem, które pomoże im „widzieć” otaczający świat – rozpoznawać wzorce w pikselach obrazu z kamery (czerwone ośmioboki), ustalać, z czym one korelują (znak stopu), i użyć tej informacji do podjęcia decyzji (naciśnij na hamulec, żeby się powoli zatrzymać), co zoptymalizuje pożądany wynik (dowieź mnie bezpiecznie do domu w jak najkrótszym czasie).

Ludzie ekscytują się tak bardzo uczeniem głębokim właśnie dlatego, że jego główna siła – umiejętność rozpoznawania wzorca, optymalizacji w osiąganiu konkretnego celu, podejmowania decyzji – może być zastosowana do tak wielu różnych problemów codziennego życia. Właśnie dlatego firmy takie jak Google i Facebook walczyły rozpaczliwie, żeby podkupić nieliczną elitę ekspertów od uczenia głębokiego, płacąc im miliony dolarów za prowadzenie ambitnych projektów badawczych. W 2013 roku Google nabył firmę założoną przez Geoffreya Hintona, a w następnym roku połknął brytyjską DeepMind – start-up, który potem zbudował AlphaGo – za ponad 500 milionów dolarów[9]. Wyniki tych projektów oszałamiają obserwatorów i trafiają na pierwsze strony gazet. Zmieniły ducha czasów i dały nam poczucie, że stoimy na krawędzi nowej ery, w której maszyny obdarzą człowieka wielką mocą lub brutalnie go zastąpią.

BADANIA SI NA ŚWIECIE

Gdzie w tym wszystkim były Chiny? Prawda jest taka, że historia narodzin uczenia głębokiego miała miejsce niemal wyłącznie w Stanach Zjednoczonych, Kanadzie i Wielkiej Brytanii. Dopiero później niewielka liczba chińskich przedsiębiorców i funduszy VC, takich jak mój, zaczęła inwestować w tę dziedzinę. Ogromna większość chińskiej społeczności technicznej nie dostrzegła jednak właściwie rewolucji uczenia głębokiego aż do owego „efektu sputnika” z 2016 roku – obudzili się dopiero dziesięć lat po opublikowaniu przełomowego artykułu naukowego na ten temat i cztery lata po tym, jak system sprawdził się w zawodach widzenia komputerowego.

Amerykańskie uniwersytety i przedsiębiorstwa high-tech od dziesięcioleci odnosiły korzyści wynikające z tego, że ich kraj umiał przyciągać i wchłaniać talenty z całego świata. Postęp w dziedzinie SI przebiegał podobnie. Wszystko wskazywało na to, że Stany Zjednoczone mają pozycję pewnego lidera, którego przewaga będzie rosła, w miarę jak elita badaczy wykorzystywać będzie pieniądze hojnie płynące do Doliny Krzemowej, unikalną kulturę tego miejsca i działające tam innowacyjne firmy. Zdaniem większości obserwatorów chiński przemysł nowych technologii był skazany na odgrywanie tej samej roli, jaką odgrywał od dziesięcioleci – naśladowcy podążającego daleko z tyłu za czołówką.

Jak postaram się wykazać w następnych rozdziałach, ta diagnoza okazała się błędna. Była oparta na nieaktualnych założeniach na temat chińskiego środowiska technicznego, a także na jeszcze bardziej zasadniczym braku zrozumienia tego, co napędza aktualną rewolucję SI. Wprawdzie Zachód rozpoczął rewolucję uczenia głębokiego, ale to Chiny będą jej największym beneficjentem. To globalne przesunięcie będzie efektem dwóch zasadniczych przemian: przejścia od epoki odkryć do epoki zastosowań i od epoki wiedzy eksperckiej do epoki danych.

Podstawą błędnego przekonania o przewadze Stanów Zjednoczonych w dziedzinie SI jest złudzenie, że żyjemy w wieku odkryć, w czasach, w których elita badaczy SI nieustannie przełamuje stare paradygmaty i rozwiązuje odwieczne zagadki. To wrażenie potęguje stała fala doniesień prasowych, których autorzy zachłystują się najnowszymi osiągnięciami SI, takimi jak diagnozowanie niektórych rodzajów raka lepiej od lekarzy, pokonanie najlepszych graczy w teksaskiego pokera, opanowanie nowych umiejętności bez ingerencji człowieka. Przy takim zalewie informacji medialnych na temat każdego nowego sukcesu można wybaczyć przeciętnemu obserwatorowi – czy nawet ekspertowi analitykowi – przekonanie o tym, że nieustannie, systematycznie przełamujemy kolejne bariery w badaniach nad sztuczną inteligencją.

Uważam, że to wrażenie jest mylne. Wiele z tych kamieni milowych to po prostu zastosowania odkryć z poprzedniej dekady – głównie uczenia głębokiego, ale także technologii uzupełniających, takich jak uczenie przez wzmacnianie i uczenie przez przeniesienie (transfer learning) – do nowych problemów. Praca badaczy zajmujących się takimi problemami wymaga wielkich umiejętności i głębokiej wiedzy: umiejętności poprawiania skomplikowanych algorytmów matematycznych, manipulowania ogromnymi ilościami danych, przystosowywania sieci neuronowych do różnych problemów. Często potrzeba do tego wiedzy ma poziomie doktoratu z odpowiednich dyscyplin. Ten postęp to jednak tylko stopniowe ulepszenia i optymalizacje wykorzystujące radykalny przełom, jakim było uczenie głębokie.

EPOKA ZASTOSOWAŃ

W gruncie rzeczy są to zastosowania niewiarygodnych możliwości uczenia głębokiego w zakresie rozpoznawania wzorców i przewidywania, zastosowania do różnych dziedzin, takich jak rozpoznawanie choroby, ubezpieczenia, prowadzenie samochodu czy przetłumaczenie chińskiego zdania na zrozumiałą angielszczyznę. Nie oznaczają szybkiego postępu w kierunku „ogólnej SI” ani żadnego innego podobnego przełomu rangi uczenia głębokiego. Nastała epoka zastosowań, a firmy, które chcą na tym w danym okresie zarobić, będą potrzebowały utalentowanych przedsiębiorców, inżynierów i kierowników produkcji.

Pionier uczenia głębokiego Andrew Ng porównał SI do ujarzmienia elektryczności[10] przez Thomasa Edisona: sama w sobie będąca przełomową technologią może zrewolucjonizować dziesiątki gałęzi przemysłu, gdy uda się ją ujarzmić. Tak jak dziewiętnastowieczni przedsiębiorcy zaczęli stosować elektryczność do gotowania jedzenia, ogrzewania mieszkań i napędzania urządzeń produkcyjnych, tak dzisiejsi przedsiębiorcy SI wykorzystują uczenie głębokie. Znaczna część trudnej, ale abstrakcyjnej pracy nad badaniami SI została wykonana, a teraz nadszedł czas, żeby przedsiębiorcy zakasali rękawy i zabrali się do brudnej roboty przekuwania algorytmów w dochodowe firmy.

Nie powinno to w żadnej mierze zmniejszać naszej ekscytacji sztuczną inteligencją – praktyczne zastosowania nadają sensu odkryciom naukowym i to one w końcu zmienią obraz naszego codziennego życia. Nastanie epoki zastosowań oznacza, że w końcu zobaczymy realne aplikacje SI po dziesięcioleciach obiecujących wyników badań naukowych, coś, na co czekałem przez znaczną część mojego dorosłego życia.

Wyraźne rozróżnienie między odkryciem naukowym a zastosowaniem jest jednak kluczem do zrozumienia tego, jak SI będzie kształtować nasze życie i co – czy też który kraj – będzie głównie napędzać ten postęp. W okresie odkryć postęp był dziełem nielicznej elity myślicieli, z których prawie wszyscy zgrupowani byli w Stanach Zjednoczonych i Kanadzie. Ich wnikliwość badawcza i nowatorstwo intelektualne doprowadziły do gwałtownego i ogromnego zwiększenia możliwości komputerów. Od chwili zapoczątkowania uczenia głębokiego żadna grupa badaczy czy inżynierów nie dokonała innowacji na taką skalę.

EPOKA DANYCH

W ten sposób doszliśmy do drugiej wielkiej przemiany – przejścia od epoki wiedzy eksperckiej do epoki danych. Dziś do stworzenia skutecznych algorytmów SI potrzebne są trzy czynniki: ogromna liczba danych, moc obliczeniowa i praca sprawnych, ale niekoniecznie wybitnych inżynierów piszących algorytmy. Zastosowanie potencjału uczenia głębokiego do nowych problemów wymaga wszystkich tych trzech czynników, ale w epoce zastosowań kluczem są dane. Gdy moc obliczeniowa i zdolności inżynierskie osiągają zadowalający poziom, liczba danych staje się decydującym czynnikiem określającym ogólną moc i dokładność algorytmu.

W uczeniu głębokim im więcej danych, tym lepiej. Z im większą liczbą przykładów danego zjawiska zapoznaje się sieć, tym dokładniej potrafi wybrać wzorce i identyfikować obiekty w realnym świecie. Przy większej liczbie danych algorytm zaprojektowany przez inżynierów SI średniej klasy zwykle działa lepiej niż algorytm zaprojektowany przez najlepszych uczonych w tej dziedzinie. Monopol na najlepszych i najzdolniejszych nie odgrywa już takiej roli jak dawniej.

Najwybitniejsi badacze SI nadal mają odpowiedni potencjał, by wznieść swoją dziedzinę na kolejny poziom, ale takie przełomy pojawiały się zwykle co parędziesiąt lat. W oczekiwaniu na kolejny przełom wzrastająca gwałtownie dostępność danych będzie siłą napędową ogromnych zmian, jakie spowoduje uczenie głębokie we wszystkich dziedzinach gospodarki na całym świecie.

CHIŃSKIE ATUTY

Realizacja nowo odkrytej możliwości elektryfikacji sto lat temu wymagała czterech kluczowych elementów: paliw kopalnych do wytwarzania elektryczności, przedsiębiorców, którzy wykorzystają ją w nowo utworzonych firmach, inżynierów elektryków, którzy będą panować nad elektrycznością, i przychylnych rządów, które rozwiną publiczną infrastrukturę. Dziś ujarzmienie potęgi SI – „elektryczności” XXI wieku – wymaga czterech analogicznych czynników: obfitości danych, głodnych przedsiębiorców, specjalistów od SI i środowiska politycznego przychylnego tej technologii. Porównując względne atuty Chin i Stanów Zjednoczonych w tych czterech kategoriach, możemy przewidywać światową równowagę sił w dziedzinie SI.

Obie przemiany opisane na poprzednich stronach – od odkryć do zastosowań i od wiedzy eksperckiej do danych – faworyzują obecnie Chiny, ponieważ minimalizują słabości Chin, a wzmacniają ich silne strony. Przejście od odkryć do zastosowań redukuje jedną z największych słabości Chin (brak innowacyjnego podejścia do kwestii badawczych), a jednocześnie wzmacnia największy atut tego kraju, jakim są odważni przedsiębiorcy z talentem do tworzenia prężnych firm. Przejście od wiedzy eksperckiej do danych również działa na korzyść Chin, zmniejszając rolę światowej elity uczonych, których Chiny nie mają, a zwiększając wartość innego kluczowego czynnika, którego Chiny mają pod dostatkiem – danych.

Przedsiębiorcy z Doliny Krzemowej zyskali reputację najpracowitszych ludzi w Stanach Zjednoczonych, młodych założycieli firm, którzy nie śpią po nocach, żeby jak najszybciej wypuścić nowy produkt, a potem gorączkowo ulepszają ten produkt, jednocześnie pracowicie poszukując nowego przeboju. Tamtejsi przedsiębiorcy rzeczywiście dużo pracują. Przez dziesiątki lat żyłem jednak w technologicznym świecie Doliny Krzemowej i Chin, pracowałem w Apple’u, Microsofcie i Google’u, a potem współdziałałem przy tworzeniu i finansowaniu dziesiątków start-upów w Chinach. Mogę bez wahania stwierdzić, że w porównaniu ze swoim rywalem zza Pacyfiku Dolina Krzemowa sprawia dość ospałe wrażenie.

Chińscy przedsiębiorcy internetowi odnieśli sukces, pokonując najbardziej bezwzględną konkurencję na naszej planecie. Działają w świecie, w którym najważniejsza jest szybkość, kopiowanie jest przyjętą praktyką, a rywale nie cofną się przed niczym, żeby zdobyć nowy rynek. Każdy dzień młodych przedsiębiorców w Chinach to próba ognia, to jak dzień gladiatora w amfiteatrze. Walka toczy się na śmierć i życie, a przeciwnicy nie mają skrupułów. Jedynym sposobem na przetrwanie jest stałe ulepszanie produktu, ale jednocześnie unowocześnianie modelu biznesowego i budowanie „fosy” wokół firmy. Jeżeli twoim jedynym atutem jest jeden nowatorski pomysł, to pomysł ten zostanie z pewnością skopiowany, twoi kluczowi pracownicy zostaną podkupieni i zostaniesz wypchnięty z rynku za sprawą rywali finansowanych przez VC. Ta brutalna rzeczywistość kontrastuje z Doliną Krzemową, gdzie potępia się kopiowanie i gdzie wiele firm działa spokojnie, mając w dorobku jeden oryginalny pomysł lub wykorzystując jedną pomyślną okazję. Ten brak konkurencji może prowadzić do samozadowolenia przedsiębiorców, którzy nie podejmą wszelkich wysiłków, aby zoptymalizować swój pomysł. Z chińskiego nieuporządkowanego rynku i czasów kopiowania cudzych pomysłów wyłoniła się pewna liczba podejrzanych firm, ale wyrosło również pokolenie najzręczniejszych, najsprytniejszych, najpracowitszych przedsiębiorców na świecie. Ci przedsiębiorcy będą największym chińskim atutem, który sprawi, że Chiny będą pierwszym krajem odnoszącym prawdziwe korzyści z zastosowania SI.

Ci przedsiębiorcy będą mieli dostęp do kolejnego „surowca” chińskiego świata technologii – przeogromnej liczby danych. Chiny już prześcignęły Stany Zjednoczone pod tym względem i stały się największym producentem danych na świecie. Imponująca jest nie tylko liczba danych – dzięki chińskiemu unikalnemu ekosystemowi technologicznemu, całkiem odmiennemu systemowi produktów i funkcji, niespotykanemu nigdzie indziej, dane te są idealnym surowcem dla przedsiębiorców tworzących dochodowe firmy SI.

Jeszcze pięć lat temu można było sensownie porównywać rozwój chińskich i amerykańskich przedsiębiorstw internetowych w kategoriach wyścigu. Biegły po mniej więcej równoległych torach, a Stany Zjednoczone wyprzedzały nieco Chiny. Ale około roku 2013 chiński Internet gwałtownie zmienił kurs. Zamiast biec po śladach amerykańskich firm czy wręcz kopiować ich pomysły, chińscy przedsiębiorcy zaczęli rozwijać produkty i usługi, które po prostu nie mają odpowiednika w Dolinie Krzemowej. Analitycy opisujący chińskie firmy zwykle odwoływali się do prostej analogii z Doliną Krzemową, pisząc o „chińskim Facebooku” czy „chińskim Twitterze”, ale w ostatnich latach te określenia w wielu wypadkach straciły sens. Chiński Internet przekształcił się we wszechświat alternatywny.

Mieszkańcy chińskich miast zaczęli płacić za zakupy w realnym świecie za pomocą kodów kreskowych w swoich telefonach, co jest częścią rewolucji w dziedzinie płatności komórkowych, jakiej nie spotkamy nigdzie indziej. Całe armie dostawców żywności i zamawianych przez telefon masażystek na elektrycznych skuterach zapełniły ulice chińskich miast. Pracują dla masowo powstających firm typu online-to-offline – z Internetu do świata realnego – które przenoszą udogodnienia e-commerce do usług świata realnego, takich jak dostawa jedzenia z restauracji czy manicure. Wkrótce potem pojawiły się miliony kolorowych rowerów, które można wypożyczyć lub zostawić w dowolnym miejscu, po prostu skanując ich kod kreskowy za pomocą telefonu.

W celu powiązania tych wszystkich usług powstała chińska superaplikacja WeChat, coś w rodzaju uniwersalnego klucza do współczesnego życia. Użytkownicy WeChat zaczęli wysyłać wiadomości tekstowe i głosowe do znajomych, płacić za artykuły spożywcze, zamawiać wizytę u lekarza, płacić podatki, wypożyczać rowery, kupować bilety lotnicze – nie wychodząc z tej aplikacji. WeChat stało się uniwersalną aplikacją społeczną, w której różne rodzaje chatów grupowych – tworzone przez współpracowników lub znajomych, lub ludzi o wspólnych zainteresowaniach – wykorzystywane są do negocjowania umów biznesowych, organizowania przyjęć urodzinowych czy dyskutowania na temat sztuki współczesnej. WeChat połączyła cały wachlarz ważnych zastosowań, które w Stanach Zjednoczonych i innych krajach rozrzucone są po kilkunastu aplikacjach.

Chiński alternatywny świat cyfrowy tworzy obecnie i zapisuje ogromne liczby danych o realnym świecie. Bogactwo informacji o użytkownikach – gdzie są w każdej chwili, jak dojeżdżają do pracy, co lubią jeść, kiedy i gdzie kupują jedzenie i piwo – okaże się bezcenne w erze praktycznego wykorzystania SI. Będzie to dla firm internetowych nieocenionym źródłem szczegółowych informacji o codziennych zwyczajach użytkowników, a w połączeniu z algorytmami uczenia głębokiego pozwoli zaoferować idealnie dopasowane do potrzeb usługi – od audytów finansowych do planowania urbanistycznego. To znacznie więcej niż dane, które czołowe firmy z Doliny Krzemowej mogą odszyfrować z wyszukiwań, lajków czy okazjonalnych internetowych zakupów swoich klientów. Ten nieporównywalny z niczym skarbiec danych o realnym świecie znacznie ułatwi chińskim firmom rozwój usług sterowanych sztuczną inteligencją.

ZMIANA UKŁADU SIŁ

Te zachodzące od niedawna i tak istotne zmiany działają na korzyść Chin. Trzeba jednak wziąć jeszcze pod uwagę działania rządu chińskiego, który robi wszystko, by przewaga Chin była jeszcze większa. Imponujący plan rządu chińskiego uczynienia z Chin potęgi SI znalazł szerokie poparcie i zapewnił fundusze na badania naukowe, ale przede wszystkim wskazał drogę władzom lokalnym. Struktura władzy w Chinach jest bardziej skomplikowana, niż się wydaje większości Amerykanów, i nie polega na tym, że rząd centralny wydaje rozkazy, które są natychmiast wykonywane w całym kraju. Rząd centralny może jednak wybrać pewne długofalowe cele i zmobilizować ogromne środki do ich realizacji. Przykładem może być błyskawiczny rozwój sieci szybkich kolei.

Przywódcy władz lokalnych zareagowali na eksplozję SI jak na wystrzał pistoletu startowego i zaczęli rywalizować między sobą, żeby przyciągnąć firmy i przedsiębiorców SI do swoich regionów, obiecując im hojne subsydia i preferencyjną politykę. Ten wyścig właśnie się zaczyna i nie jest jeszcze całkiem jasne, jaki będzie miał wpływ na rozwój chińskiej SI. Bez względu jednak na wyniki stanowi on kontrast wobec polityki administracji amerykańskiej, która nie wtrąca się w kwestie przedsiębiorczości i obcina fundusze na badania podstawowe.

Uwzględniając te wszystkie aspekty – nastanie epoki zastosowań i epoki danych, wysoką sprawność chińskich przedsiębiorców i aktywnie wspierający ich rząd – sądzę, że Chiny wkrótce dorównają Stanom Zjednoczonym w rozwoju i wykorzystaniu sztucznej inteligencji albo nawet je prześcigną. Moim zdaniem ta czołowa pozycja w zastosowaniu SI przełoży się na wzrost wydajności na skalę niespotykaną od czasów rewolucji przemysłowej. PricewaterhouseCoopers szacuje, że wykorzystanie SI zwiększy globalny PKB o 15,7 biliona dolarów[11] do roku 2030. Chinom przypadnie z tej puli 7 bilionów, prawie dwa razy więcej niż Ameryce Północnej (3,7 biliona). W miarę jak rosnąć będzie potęga ekonomiczna Chin, zwiększać się też będą ich wpływy polityczne i tzw. miękka siła – wpływy kulturalne i ideologiczne na całym świecie.

PRZYPISY

1. EFEKT SPUTNIKA

[1] “Go and Mathematics,” in Wikipedia, s.v., “Legal Positions,” https://en.wikipedia.org/wiki/Go_and_mathematics#Legal_positions.

[2] Cade Metz, “What the AI Behind AlphaGo Can Teach Us About Being Human,” Wired, May 19, 2016, https://www.wired.com/2016/05/google-alphago-ai/.

[3] Paul Mozur, “Beijing Wants A.I. to Be Made in China by 2030,” New York Times, July 20, 2017, https://www.nytimes.com/2017/07/20/business/china-artificial-intelligence.html.

[4] James Vincent, “China Overtakes US in AI Startup Funding with a Focus on Facial Recognition and Chips,” The Verge, February 2, 2018, https://www.theverge.com/2018/2/22/17039696/china-us-ai-fundingstartup-comparison.

[5] Kai-Fu Lee and Sanjoy Mahajan, “The Development of a World Class Othello Program,” Artificiallntelligence 43, no. 1(April 1990): 21-36.

[6] Kai-Fu Lee, “On Large-Vocabulary Speaker-Independent Continuous Speech Recognition,” Speech Communication 7, no. 4 (December 1988): 375-379.

[7] John Markoff, “Talking to Machines: Progress Is Speeded,” New York Times, July 6, 1988, https://www.nytimes.com/1988/07/06/business/business-technology-talking-to-machines-progress-is-speeded.html?mcubz=1.

[8] ImageNet Large Scale Visual Recognition Challenge 2012, Full Results, http://image-net.org/challenges/LSVRC/2012/results.html.

[9] Catherine Shu, “Google Acquires Artificial Intelligence Startup for Over $500 Million,” TechCrunch, January 26, 2014, https://techcrunch.com/2014/01/29/google-deepmind/.

[10] Shana Lynch, “Andrew Ng: Why AI is the New Electricity,” The Dish (blog), Stanford News, March 14, 2017, https://news.stanford.edu/thedish/2017/03/14/andrew-ng-why-ai-is-the-new-electricity/.

[11] Dr. Anand S. Rao and Gerard Verweij, “Sizing the Prize,” PwC, June 27, 2017, https://www.pwc.com/gx/en/issues/analytics/assets/pwc-ai-analysis-sizing-the-prize-report.pdf.